光譜學是研究物質與電磁輻射的相互作用隨輻射頻率變化的學科。不同的材料會因其化學和物理特性而吸收或反射這種輻射，從而產(chǎn)生獨特的光譜特征。由于每種材料都有不同的光譜特征，該數(shù)據(jù)不僅有可能將特定材料與其他材料分開(定性光譜)，而且還可以對分析對象進行定量說明。光譜儀最初是一維點傳感器，但最近的光譜儀已經(jīng)從點到像素，使光譜成像成為可能，并使我們能夠檢查化學成分、材料或數(shù)量差異的空間分布。

高光譜成像，也稱為成像光譜學，在大量光譜帶中同時獲取圖像，因此對于所得圖像的每個像素，都可以導出連續(xù)的反射光譜。這些測量的輸出被收集在光譜數(shù)據(jù)立方體中，并且是數(shù)據(jù)處理、建?；驒C器學習算法的輸入。傳統(tǒng)上，高光譜成像只是關于可用于數(shù)據(jù)分析的光譜帶的數(shù)量。然而，如今對高光譜成像儀的要求更多，包括便攜性、靈活性、實時數(shù)據(jù)訪問和分析以及視頻光譜。這些特征表征了成像光譜學的當前驅動因素。

多光譜成像(左)與高光譜成像(右)的比較。多光譜成像捕獲有限數(shù)量的離散波長，而高光譜成像捕獲連續(xù)光譜

自20世紀80年代初以來，高光譜成像促成了一系列用于確定各種特征的窄帶指數(shù)和光譜特征擬合方法的發(fā)展。這些指數(shù)允許檢索特定信息，例如活力狀態(tài)、葉綠素含量、水分含量、干物質或葉面積指數(shù)，僅舉幾個對農(nóng)業(yè)或林業(yè)有價值的參數(shù)。這些指數(shù)中的大多數(shù)都是基于對特定問題的研究，因此它們使用了不同波長的整個范圍。然而，高光譜相機可以同時執(zhí)行多項此類分析，而不是像NDVI那樣專注于一個指標，就像多光譜相機所做的那樣。這種能力可幫助客戶使用同一臺相機執(zhí)行一系列應用。 如今，機器學習算法可以使用高光譜或多光譜數(shù)據(jù)集進行訓練。這些算法旨在找出各種材料光譜特征的具體差異。由于高光譜數(shù)據(jù)集提供了更多的光譜細節(jié)，機器學習算法從這些高光譜數(shù)據(jù)集中受益匪淺。這導致分類器的特異性更高。